সরাসরি উচ্চমানের পিক্সেলের ওপর ($১০২৪ times ১০২৪ times ৩ approx ৩০$ লাখ ডাইমেনশন) ডিফিউশন পরিচালনা করা অসম্ভব রকমের ধীর ও ব্যয়বহুল। ল্যাটেন্ট ডিফিউশন মডেল (Latent Diffusion Models / Stable Diffusion) এবং আধুনিক ফ্লো ম্যাচিং (Flow Matching) পুরো প্রক্রিয়াকে দুটি ভাগে বিভক্ত করে: বাহ্যিক অনুভূতির সংকোচন এবং অভ্যন্তরীণ অর্থবোধক সৃষ্টি—যার ফলে ব্যক্তিগত কম্পিউটারেও চোখের পলকে অভূতপূর্ব শিল্পকর্ম তৈরি করা সম্ভব হয়েছে।
১. ল্যাটেন্ট স্পেসের দ্বি-স্তরীয় বিভাজন
২০২২ সালে রমবার্ক প্রমুখ আবিষ্কার করেন যে ছবি তৈরিতে দুটি সম্পূর্ণ ভিন্ন জগত থাকে:
- অনুভূতিগত সংকোচন (Perceptual Compression): একটি VAE অটোএনকোডার দিয়ে বিশাল পিক্সেল ছবিকে ৬৪ গুণ সংকুচিত করে একটি অতি ক্ষুদ্র ল্যাটেন্ট স্পেসে $mathbf{z}$ রূপান্তর করা হয়। এতে চোখে দেখা যায় না এমন অপ্রয়োজনীয় সূক্ষ্ম নয়েজ দূর হয়ে যায়।
- অর্থবোধক সৃষ্টি (Semantic Synthesis): ডিফিউশন মডেলটি (U-Net বা DiT) কেবল এই ক্ষুদ্র ল্যাটেন্ট স্পেসের ভেতরে কাজ করে, ফলে কম্পিউটেশনাল খরচ কয়েকগুণ কমে যায়। শেষে VAE ডিকোডার দিয়ে পূর্ণাঙ্গ ছবি ফিরিয়ে আনা হয়।
২. ক্লাসিফায়ার-ফ্রি গাইডেন্স (CFG)
ব্যবহারকারীর টেক্সট প্রম্পটের সাথে ছবির মিল নিশ্চিত করতে Classifier-Free Guidance (CFG) ব্যবহার করা হয়। টেক্সটযুক্ত পূর্বাভাস এবং টেক্সটবিহীন খালি পূর্বাভাসের মধ্যকার পার্থক্যকে স্কেল $s$ দিয়ে বাড়িয়ে দেওয়া হয়:
tilde{boldsymbol{epsilon}} = boldsymbol{epsilon}(emptyset) + s cdot (boldsymbol{epsilon}(mathbf{c}) – boldsymbol{epsilon}(emptyset))
এর ফলে ছবির বিষয়বস্তু ব্যবহারকারীর প্রম্পটের প্রতিটি শব্দের সাথে কঠোরভাবে মিলে যায়।
৩. ফ্লো ম্যাচিং ও রেকটিফায়েড সোজা গতিপথ
চিরায়ত ডিফিউশনে এলোমেলো বাঁকা পথে নয়েজ সরানো হতো, ফলে ৩০ থেকে ৫০টি পদক্ষেপ লাগত। Flow Matching এবং Rectified Flows নয়েজ থেকে ছবির পরিবর্তনকে একদম সরলরেখায় সম্পন্ন করে:
mathbf{x}_t = (1 – t)mathbf{x}_0 + t mathbf{x}_1
গতিপথ সরলরেখা হওয়ায় মাত্র ১ থেকে ৪টি ধাপে সম্পূর্ণ নিখুঁত ছবি তৈরি করা সম্ভব হয়—যা Stable Diffusion 3 এবং Flux-এর মূল প্রযুক্তি।
